每日总结

  对于老师要求的第二个个人作业进行完成。

这个作业要求爬取顶会热词，然后生成热词云。

首先是对内容的爬取，由于以前做过爬虫，因此对于文章的爬取就不是很难了，而且没有反爬虫的限制，但是中间会出现断网的情况，我的解决办法就是输出一共爬取了多少条，然后下次就从断网的那里继续爬。

代码如下：

import requests
import pymysql
from lxml import etree              # 导入库
from bs4 import BeautifulSoup
import re
import time
db = pymysql.connect(host="localhost", user="root", passwd="", database="lunwen", charset='utf8')
cursor = db.cursor()
# 定义爬虫类

class Spider():
    def __init__(self):
        self.url = 'https://openaccess.thecvf.com/CVPR2018?day=2018-06-21'
        self.headers = {
            'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
        }
        r = requests.get(self.url,headers=self.headers)
        r.encoding = r.apparent_encoding
        self.html = r.text
    def lxml_find(self):
        '''用lxml解析'''
        tonum =243
        start = time.time()                   # 三种方式速度对比
        selector = etree.HTML(self.html)        # 转换为lxml解析的对象
        titles = selector.xpath('//dt[@class="ptitle"]/a/@href') # 这里返回的是一个列表
        for each in titles[243:]:
            title0 = each.strip()        # 去掉字符左右的空格
            #print("https://openaccess.thecvf.com/content_CVPR_2019"+title[17:])
            chaolianjie="https://openaccess.thecvf.com/content_cvpr_2018"+title0[17:]
            req=requests.get(chaolianjie,headers=self.headers)
            req.encoding=req.apparent_encoding
            onehtml=req.text
            selector1=etree.HTML(req.text)
            title=selector1.xpath('//div[@id="papertitle"]/text()')
            #print(title[0][1:])
            abst=selector1.xpath('//div[@id="abstract"]/text()')
            hre0=selector1.xpath('//a/@href')
            hre="https://openaccess.thecvf.com"+hre0[5][5:]
            #print(hre)
            zuozhe=selector1.xpath('//dd/div[@id="authors"]/b/i/text()')
            va = []
            va.append(title)
            va.append(hre)
            va.append(abst)
            va.append(zuozhe)
            va.append("2018-06-21")
            sql = "insert into xiangxi (title,link,abstract,zuozhe,time) values (%s,%s,%s,%s,%s)"
            cursor.execute(sql, va)
            db.commit()
            print("爬取完了" + str(tonum) + "条")
            tonum=tonum+1


        end = time.time()
        print('lxml耗时', end-start)



if __name__ == '__main__':
    spider = Spider()
    spider.lxml_find()
    cursor.close()
    db.close()